[发明专利]一种基于神经网络的信号灯配时方案推荐方法

说明书

一种基于神经网络的信号灯配时方案推荐方法，包括：通过SCATS检测器采集路口交通流数据；采用均方根误差对数据进行筛选；构建交通流状态数组，作为神经网络的输入；定义模型损失函数，利用反向传播算法不断优化模型，输出对应交通流的信号配时方案。本方法根据交通流状态直接推荐出相适应的信号灯配时方案，能提高人工调整信号配时方案的效率，更快地应对交通拥堵，提高路口通行效率。

技术领域

本发明涉及一种基于神经网络的信号灯配时方案推荐方法。

技术背景

在信号控制系统方面，我国主要采用引进与开发相结合的策略，依托于国际主流信号控制系统。SCATS系统就是一款比较受欢迎的交通信号控制系统，在我国许多大中城市都有其身影。但是由于我国国情较为特殊，路口情况比较复杂，自适应系统有时无法有效地进行调节来适应车流，导致一些重要路口容易出现交通拥堵的情况。此时需要人工干预来进行信号配时方案的调控。

传统的调控操作都是通过配时人员对相关路口的视频监控进行调取和分析，通过经验对信号配时方案进行调整，比较耗费时间和精力，效率有待提高且对配时人员的工作经验水平要求较高。

发明内容

为提高配时工作人员的工作效率，更快地对拥堵路口进行配时方案的调整，本发明提供了一种能通过输入交通流信息来推荐适应当前路口交通状况的信号配时方案的方法。

一种基于神经网络的信号灯配时方案推荐方法，包括以下步骤：

1)通过地磁检测器采集路口交通数据及其对应流量配时方案；

2)在步骤1)的基础上，利用均方根误差(RMSE)对得到的交通流数据进行筛选，所述RMSE描述如式(1)所示：

其中X_i是当前周期路口i相位的绿灯时长，Y_i是相邻上一周期路口i相位的绿灯时长，n是该路口所拥有的相位数；

3)在步骤2)的基础上，获取路口连续周期内的交通流状态数据，构建交通流状态数组，作为神经网络的输入数据；

所述的交通流状态数组为以下形式：

A＝[X₁,X₂,...,X_n,Y₁,Y₂,...,Y_n,Z₁,Z₂,...,Z_n,] (2)

其中X₁...X_n表示路口的n个相位的绿灯时长，Y₁...Y_n表示该路口n个检测器的流量数据，Z₁...Z_n表示n个检测器的饱和度数据。

4)在步骤3)的基础上，将下一周期信号配时方案作为神经网络的期望输出值；定义模型损失函数，根据损失函数值利用BP反向传播算法不断优化参数模型；获取实时交通流数据，输出对应交通流的信号配时方案。

所述神经网络算法的训练数据集为步骤3)所挑选的数据中，各路口所有周

期及其后续多个连续周期的交通流状态数组，期望输出为每个周期下一周期

的信号灯绿灯时长的修正量，形式如下：

B＝[X₁,X₂,...X_i] (3)

其中X₁...X_n表示路口的n个相位的绿灯时长修正量；

所述模型损失函数为如下形式：